
-
生物通官微
陪你抓住生命科技
跳动的脉搏
动力学信息引导的高维时间序列缺失值插补框架
《Nature Communications》:Dynamics-informed machine learning for recovering extensive missing systems dynamics
【字体: 大 中 小 】 时间:2026年09月21日 来源:Nature Communications 18.1
编辑推荐:
摘要观测时间序列中不可避免的缺失值常常阻碍了跨不同领域复杂系统的可靠数据驱动建模。缺失值的恢复至关重要却极具挑战,尤其是在高维系统中,大多数变量可能同时表现出广泛的序列内缺失和普遍的变量间缺失。在本研究中,我们提出了一种动力学信息引导的插补框架,称为全-部分重构映射(FPRM
观测时间序列中不可避免的缺失值常常阻碍了跨不同领域复杂系统的可靠数据驱动建模。缺失值的恢复至关重要却极具挑战,尤其是在高维系统中,大多数变量可能同时表现出广泛的序列内缺失和普遍的变量间缺失。在本研究中,我们提出了一种动力学信息引导的插补框架,称为全-部分重构映射(FPRM)。与传统方法直接拟合时间序列间依赖关系不同,FPRM通过状态空间重构嵌入内在动力学先验,并学习完整数据与不完整数据之间吸引子的微分同胚拓扑结构来恢复多条不完整序列。我们在典范模型系统上验证了FPRM的有效性(例如生态系统、经典Lorenz系统、耦合120维(120D)Lorenz系统以及耦合120D R?ssler系统),并在真实世界数据集上进行了验证(例如交通系统的道路占有率、神经科学的脑电图(EEG)信号、金融领域的汇率以及气候系统的风速数据)。即使在只有单个变量被完整观测、其余所有变量都存在极端缺失(例如90%缺失)的高维系统中,FPRM也能实现多个不完整变量的可靠插补——这一任务对大多数现有方法构成了巨大挑战。这一动力学引导的框架优于传统方法,有效缓解了严重的数据缺口,为复杂动力学系统提供了稳健的数据驱动范式。